具有多变量非线性的物理神经网络的普适性
光学
2025-09-09 v1 人工智能
经典物理
计算物理
摘要
人工智能的巨大能源需求正在推动开发替代硬件用于深度学习。物理神经网络试图利用物理系统来更高效地进行机器学习。特别是，光学系统可以用光进行计算，能耗几乎为零。尽管其计算能力长期受到光学材料线性特性的限制，但近期通过修改输入编码实现了非线性计算。尽管如此，我们无法确定物理神经网络是否能够学习数据之间任意关系——这是深度学习所必需的关键要求，称为普适性。本文提出了一个基本定理，确立了物理神经网络的普适性条件。它提供了一个强大的数学准则，规定了设备约束条件，详细说明了如何将输入编码到物理系统可调参数中。基于此结果，我们提出了一种可扩展的自由空间光学架构，证明其普适且在图像分类任务中实现高精度。进一步地，通过将该定理与时序复用相结合，我们提供了一条在高度实用但规模不大的芯片光子设备中实现巨大有效系统规模的途径。我们的定理和扩缩方法适用于除光学系统之外的广泛类通用、高效能的物理神经网络，合理化了进一步开发其潜力。
引用
@article{arxiv.2509.05420,
title = {Universality of physical neural networks with multivariate nonlinearity},
author = {Benjamin Savinson and David J. Norris and Siddhartha Mishra and Samuel Lanthaler},
journal= {arXiv preprint arXiv:2509.05420},
year = {2025}
}